正确答案是：B: `df.isnull().sum()`

### 分析：

- **A: `df.isnull()`**
- 该方法返回一个与 `df` 大小相同的布尔型 DataFrame，其中缺失值位置为 `True`，其他位置为 `False`。虽然它能检测缺失值，但不会给出各字段缺失值的数量。

- **B: `df.isnull().sum()`**
- `df.isnull()` 生成一个布尔型 DataFrame 后，使用 `.sum()` 对列进行求和，可以得到每个字段（列）缺失值的数量。因为 `True` 在数学上相当于 1，`False` 相当于 0，所以 `.sum()` 可以计算每列中 `True` 的数量，即缺失值的数量。

- **C: `df.notnull()`**
- 返回一个布尔型 DataFrame，与 `df` 大小相同，非缺失值的位置为 `True`，缺失值为 `False`。用于检测非缺失值，但不直接提供缺失值数量。

- **D: `df.notnull().sum()`**
- 对于非缺失值布尔型 DataFrame 来求和，会得到每个字段的非缺失值的数量，无法直接反映缺失值数量。

### 示例：

假设有如下 DataFrame `df`：

```python
import pandas as pd
import numpy as np

data = {'A': [1, np.nan, 3],
'B': [4, 5, np.nan],
'C': [np.nan, np.nan, 9]}
df = pd.DataFrame(data)
```

应用 `df.isnull().sum()`：

```python
missing_values_count = df.isnull().sum()
print(missing_values_count)
```

输出：

```
A 1
B 1
C 2
dtype: int64
```

该输出表明：
- 列 `A` 有 1 个缺失值。
- 列 `B` 有 1 个缺失值。
- 列 `C` 有 2 个缺失值。

因此，选择 B 是正确的，因为它能够有效地统计每个字段的缺失值数量。